Rico Eberle – Learning Nuggets

Nur in der Cloud heisst nicht gesichert

Thu, 01 Oct 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:02 Minuten) mit Transkript: im Beitrag ansehen.

Viele Menschen, Vereine und kleine Organisationen haben ihre Dateien heute in der Cloud. Das fühlt sich sicher an: Die Daten liegen ja beim Anbieter, auf mehreren Geräten, jederzeit erreichbar. Nur ist das noch keine Datensicherung.

Synchronisation ist kein Backup

Ein Synchronisationsdienst hat eine klare Aufgabe: Er hält alle Geräte auf demselben Stand. Genau das wird zum Problem, wenn etwas schiefgeht. Wird eine Datei auf dem Laptop gelöscht oder von Schadsoftware verschlüsselt, kann die Synchronisation diesen Zustand in die Cloud und auf alle anderen Geräte übertragen.

Eine Synchronisation überträgt auch Löschungen und Verschlüsselungen in die Cloud.

Das Bundesamt für Cybersicherheit BACS hält fest, dass Cloud-Dienste nur bedingt vor Angriffen mit Verschlüsselungsschadsoftware, also Ransomware, schützen. Dasselbe gilt für Speichermedien, die dauerhaft angeschlossen sind: Sie können mitverschlüsselt werden.

Zur Einordnung: Viele Dienste bieten eine Versionierung, mit der sich ältere Stände zurückholen lassen. Darum heisst es im Video «kann» und nicht «wird». Eine eigenständige Sicherung ersetzt das aber nicht.

Die 3-2-1-Regel

Das BACS empfiehlt eine einfache Faustregel:

3 Kopien deiner Daten: das Original und zwei Sicherungskopien.
2 unterschiedliche Speichermedien, zum Beispiel eine externe Festplatte und eine Cloud.
1 Kopie ausserhalb des eigenen Geräts an einem externen Ort.

Die 3-2-1-Regel: drei Kopien, zwei Speichermedien, eine Kopie ausser Haus.

Für diese externe Kopie empfiehlt das BACS, sie offline auf einem externen Medium aufzubewahren und das Medium nach dem Backup wieder zu trennen. Was nicht angeschlossen ist, kann eine Schadsoftware nicht erreichen.

Zwei Punkte, die oft vergessen gehen

Die Wiederherstellung üben. Das BACS rät ausdrücklich, das Einspielen von Sicherungskopien zu üben, bevor man im Ernstfall darauf angewiesen ist. Erst beim Zurückholen zeigt sich, ob die Sicherung vollständig ist, ob du das Passwort noch kennst und wie lange es dauert.

Zwei Punkte, die bei Backups oft fehlen: die Wiederherstellung üben und offene Formate.

In offenen Formaten sichern. Das ist meine Empfehlung, keine Vorgabe des BACS: Eine Sicherung nützt wenig, wenn sich die Dateien nur mit der Software eines bestimmten Anbieters öffnen lassen. Offene Formate machen dich unabhängiger, falls du den Anbieter wechselst oder es ihn nicht mehr gibt.

Mein Vorschlag: eine Wiederherstellungsprobe

Plane in den nächsten Tagen eine kleine Probe ein:

Wähle eine Datei, die dir wichtig ist, und einen Ordner, den du oft brauchst.
Hol beide aus deiner Sicherung zurück, und zwar an einen neuen Ort, damit du nichts überschreibst.
Öffne die Dateien auf einem anderen Gerät oder mit einem anderen Programm.
Notiere, was gefehlt hat oder unklar war, und wann du die Probe wiederholst.

Für Vereine und Teams lohnt sich eine zusätzliche Frage: Wer ausser dir weiss, wo die Sicherung liegt und wie man sie einspielt?

Meine Sicht

Ein Backup, das nie getestet wurde, ist eine Hoffnung, keine Sicherung. Und Souveränität beginnt für mich genau dort, wo du deine Daten selbst zurückholen kannst, ohne auf einen Anbieter angewiesen zu sein.

Und bei dir?

Wann hast du dein Backup zuletzt getestet?

Die E-ID kommt später. Das ist gut so.

Thu, 01 Oct 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:18 Minuten) mit Transkript: im Beitrag ansehen.

Eigentlich hätte die staatliche E-ID der Schweiz Ende 2026 starten sollen. Nun kommt sie später. Das klingt nach einer weiteren Verzögerung bei einem Digitalprojekt des Bundes. Warum ich es trotzdem für ein gutes Zeichen halte, steht am Schluss unter «Meine Sicht».

Später als geplant

Ursprünglich war der Start für Ende 2026 geplant. Ende Juni 2026 hat das Bundesamt für Justiz mitgeteilt, dass die Vertrauensinfrastruktur hinter der E-ID voraussichtlich im ersten Halbjahr 2027 bereitsteht. Ein genaues Startdatum für die E-ID selbst ist noch offen. Als Gründe nennt der Bund unter anderem, Deepfakes besser zu erkennen und Schadsoftware auf dem Smartphone abzuwehren. Laut NZZ spielt zudem eine Datenschutzfrage rund um die AHV-Nummer eine Rolle.

Die E-ID kommt später als geplant, mit Sicherheit als Begründung. Folie und Video verkürzen: Geplant war ursprünglich Ende 2026; für das erste Halbjahr 2027 ist die Vertrauensinfrastruktur angekündigt, das Startdatum der E-ID selbst ist offen.

Was die E-ID ist

Die E-ID ist ein staatlicher elektronischer Ausweis in der App swiyu. Sie ist freiwillig und kostenlos. Zwei Grundsätze prägen sie:

Die Daten liegen nur auf deinem Smartphone.
Du gibst nur weiter, was nötig ist. Bei einer Alterskontrolle erfährt die prüfende Stelle laut Bund weder dein Geburtsdatum noch dein Alter, sondern nur, ob du das Mindestalter erreicht hast.

Die E-ID gibt nur weiter, was nötig ist, zum Beispiel «über 18» statt des Geburtsdatums.

Zum Vergleich: Wer heute an der Kasse die Identitätskarte zeigt, zeigt dabei auch Namen und Geburtsdatum, obwohl nur eine Ja-Nein-Frage gestellt ist.

Interessant für die Weiterbildung

Die E-ID ist nur der erste Ausweis auf dieser Infrastruktur. Dieselbe Technik soll auch andere Nachweise tragen, darunter Bildungsnachweise. Educa und Switch haben im Februar 2026 einen Proof of Concept für ein digitales Maturitätszeugnis vorgestellt. Das erklärte Ziel sind durchgängige Bildungsverläufe: Nachweise, die vom Schulabschluss bis zur Weiterbildung digital und überprüfbar sind.

Für Weiterbildungsanbieter ist das mehr als eine technische Randnotiz. Heute prüfen viele Anbieter Zertifikate von Hand, verschicken PDFs oder stellen Papierurkunden aus, deren Echtheit sich nur mühsam prüfen lässt. Ein überprüfbarer digitaler Nachweis im Wallet der Teilnehmenden würde Anmeldung, Anerkennung von Vorleistungen und Zertifikate einfacher machen.

Was das jetzt heisst

Für Anbieter: Anmeldung und Zertifikate jetzt schon mitdenken. Wo verlangt ihr heute einen Ausweis oder einen Nachweis? Welche Zertifikate stellt ihr aus, und wer prüft sie? Die öffentliche Testversion von swiyu lässt sich bereits ausprobieren.

Für Teilnehmende: Pass und Identitätskarte bleiben gültig. Die E-ID ist ein Angebot, keine Pflicht.

Hinweis: Der Starttermin kann sich noch ändern. Stand dieses Beitrags ist der 1. Oktober 2026.

Was die Verschiebung für Anbieter und Teilnehmende bedeutet.

Meine Sicht

Sicherheit vor Tempo: Bei einer Identität ist das die richtige Reihenfolge. Dass die E-ID später kommt, ist deshalb eine gute Nachricht.

Und bei dir?

Würdest du deine Weiterbildungszertifikate lieber digital im Wallet haben?

Lerntypen gibt es nicht. Was stattdessen wirkt.

Thu, 01 Oct 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:12 Minuten) mit Transkript: im Beitrag ansehen.

«Welcher Lerntyp bist du?» Die Idee hinter dieser Frage ist unter Lehrenden weit verbreitet, auch in der Erwachsenenbildung. Visuell, auditiv oder kinästhetisch, und wer passend zu seinem Typ unterrichtet wird, lernt besser. Die Idee ist eingängig, verbreitet und gut gemeint. Belegt ist sie nicht.

Was die Forschung sagt

2008 haben Harold Pashler, Mark McDaniel, Doug Rohrer und Robert Bjork die Studienlage im Auftrag der Association for Psychological Science geprüft. Ihre Frage war genau: Lernen Menschen besser, wenn der Unterricht zu ihrem bevorzugten Lernstil passt?

Eine Vorliebe für eine Darstellungsform heisst nicht, dass man damit besser lernt.

Um das sauber zu testen, braucht es ein bestimmtes Studiendesign: Lernende mit verschiedenen Lernstilen werden zufällig auf verschiedene Unterrichtsformen verteilt, danach wird für alle derselbe Test gemacht. Solche Studien fanden die Forschenden nur wenige. Diese zeigten den erwarteten Effekt nicht, mehrere widersprachen ihm sogar deutlich. Ihr Fazit: Es gibt keine ausreichende Evidenz dafür, den Unterricht auf Lernstile abzustimmen.

Eine neuere Meta-Analyse von 2024 findet unter bestimmten Bedingungen kleine Effekte. An der praktischen Empfehlung ändert das wenig: Der Aufwand für Lerntyp-Tests und angepasste Materialien steht in keinem Verhältnis zum möglichen Nutzen.

Warum der Mythos so hartnäckig ist

Trotzdem glauben die meisten Lehrenden daran. Philip Newton und Atharva Salvi haben 2020 dazu 37 Studien mit über 15’000 Lehrpersonen und Kursleitenden aus 18 Ländern ausgewertet. Gewichtet gaben rund 89 Prozent an, dass sie an die Anpassung an Lernstile glauben, also etwa neun von zehn.

Kein Beleg für Lernstile, und trotzdem glauben rund 89 Prozent der Lehrenden daran.

Ein Grund: Die Idee enthält einen wahren Kern. Vorlieben haben wir alle. Manche lesen lieber, andere hören lieber zu. Nur heisst eine Vorliebe nicht, dass wir so auch besser lernen. Rogowsky und Kollegen haben 2015 genau das geprüft: Erwachsene, die sich als Lesende oder Hörende einschätzten, lernten mit dem passenden Format nicht besser.

Was stattdessen wirkt

Die Darstellung passt zum Inhalt, nicht zur Person. Ein Ablauf braucht ein Schema, eine Aussprache braucht Ton, ein Handgriff braucht Übung. Diese Entscheidung gilt für alle Teilnehmenden gleich.

Die Darstellung richtet sich nach dem Inhalt, nicht nach einem Lerntyp.

Aktiv abrufen und verteilt wiederholen. Beide Techniken gehören zu den am besten belegten überhaupt. Mehr dazu im Beitrag zur Vergessenskurve.

Mein Vorschlag für deinen nächsten Kurs

Streiche den Lerntyp-Test aus dem Kursbeginn. Nutze die gewonnene Zeit für eine kurze Abfrage zu dem, was die Teilnehmenden schon wissen. Das zeigt dir mehr über die Gruppe als jede Typologie und ist gleichzeitig die erste Abrufübung.

Und wenn du Material planst, frag nicht «Was mögen die Teilnehmenden?», sondern «Was braucht dieser Inhalt?».

Mischen statt blocken: dreimal besser im Test

Thu, 01 Oct 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:14 Minuten) mit Transkript: im Beitrag ansehen.

Zwei Gruppen üben gleich lang und mit denselben Aufgaben. Eine Woche später schneidet die eine Gruppe dreimal besser ab als die andere. Der einzige Unterschied liegt in der Reihenfolge der Übungen. Das Ergebnis widerspricht dem, was sich beim Üben richtig anfühlt.

Das Experiment

Doug Rohrer und Kelli Taylor haben 2007 Studierende lernen lassen, wie man das Volumen verschiedener Körper berechnet. Alle bekamen dieselben Aufgaben und gleich viel Zeit. Unterschiedlich war nur die Anordnung:

Geblockt: zuerst alle Aufgaben zum ersten Körper, dann alle zum zweiten, und so weiter.
Gemischt: dieselben Aufgaben, aber durcheinander.

Eine Woche später lag die gemischte Gruppe mit 63 Prozent deutlich vor der geblockten mit 20 Prozent.

Eine Woche später lösten die Studierenden aus der gemischten Gruppe 63 Prozent der Testaufgaben richtig, jene aus der geblockten Gruppe nur 20 Prozent.

Das Verrückte daran

Während des Übens war es umgekehrt. Da lag die geblockte Gruppe mit 89 Prozent richtigen Lösungen klar vor der gemischten mit 60 Prozent. Wer am Stück übt, wendet immer wieder dasselbe Verfahren an und wird dabei schnell sicher. Wer gemischt übt, muss bei jeder Aufgabe zuerst erkennen, welches Verfahren passt. Das ist anstrengender, und genau diese Unterscheidung wird später im Test gebraucht.

Während des Übens lag die geblockte Gruppe vorn, 89 zu 60 Prozent.

Mischen fühlt sich schwerer an, wirkt aber länger.

Auch Erwachsene schätzen das falsch ein

Nate Kornell und Robert Bjork haben 2008 Erwachsene Malstile verschiedener Künstler lernen lassen, einmal geblockt, einmal gemischt. Gemischt lernten die meisten mehr. Trotzdem hielten 78 Prozent das Blocken für gleich gut oder besser, also gut drei Viertel. Das Gefühl beim Üben ist ein schlechter Ratgeber dafür, was hängen bleibt.

78 Prozent hielten Blocken für mindestens gleich gut, obwohl sie gemischt mehr gelernt hatten. Genauer als die Folie: Ältere Erwachsene profitieren laut der Folgestudie ähnlich wie jüngere.

Eine Folgestudie von Kornell, Castel, Eich und Bjork aus dem Jahr 2010 zeigte zudem: Ältere Erwachsene profitieren vom Mischen ähnlich wie jüngere. Für die Weiterbildung ist das eine gute Nachricht.

Was das für Weiterbildungen heisst

Übungen mischen. Besonders wirksam ist das bei Aufgabentypen, die sich ähneln und leicht verwechselt werden. Im Buchhaltungskurs zum Beispiel Buchungssätze verschiedener Geschäftsfälle durcheinander üben statt Kapitel für Kapitel. Das Beispiel ist meine Übertragung; die Studien stammen aus Mathematik und Kunst.

Erklären, warum es sich schwerer anfühlt. Wer gemischt übt, macht anfangs mehr Fehler. Ohne Erklärung wirkt das wie ein schlechter Kurs. Mit Erklärung wird es zu einem nützlichen Signal: Hier passiert gerade Lernen.

Mein Vorschlag

Nimm dein nächstes Übungsblatt und prüf, ob die Aufgaben nach Thema sortiert sind. Wenn ja, mische die zweite Hälfte. Die erste Hälfte darf geblockt bleiben, damit die Teilnehmenden das Verfahren kennenlernen. Danach folgt das Unterscheiden.

Schwer heisst nicht schlecht.

Modell, LLM, Chat, Agent: vier Begriffe, ein Bild

Thu, 01 Oct 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:35 Minuten) mit Transkript: im Beitrag ansehen.

Modell, LLM, Chat, Agent: Die vier Begriffe fallen in fast jedem Gespräch über KI, und oft meinen zwei Personen damit nicht dasselbe. Dabei hängen sie einfach zusammen, wie Schalen, eine um die andere. Das Bild ist eine didaktische Vereinfachung, aber es hilft, Werkzeuge einzuordnen und die richtigen Fragen zu stellen.

Im Kern: das Modell

Ganz innen liegt das Modell. Ein Modell ist das Ergebnis des Trainings: eine riesige Datei mit Milliarden von Zahlen, den sogenannten Parametern. Ein LLM, ein Large Language Model, ist eine bestimmte Art von Modell. Es wurde mit sehr viel Text trainiert und sagt Stück für Stück voraus, wie ein Text weitergeht. GPT, Claude, Gemini oder das Schweizer Apertus sind solche Sprachmodelle.

Im Kern liegt das Modell. Ein LLM ist eine Art Modell und bildet keine eigene Schale.

Wie gross solche Modelle sind, zeigt Apertus: EPFL, ETH Zürich und das Schweizerische Supercomputing-Zentrum CSCS haben es 2025 in zwei Grössen veröffentlicht, mit 8 und mit 70 Milliarden Parametern.

Die «Stücke», von denen im Video die Rede ist, heissen in der Fachsprache Tokens: Wörter, Wortteile oder Satzzeichen. Das Video sagt bewusst «Stück» statt «Wort», weil ein Modell nicht Wort für Wort arbeitet. Warum diese Vorhersage manchmal flüssig klingt und trotzdem falsch ist, zeigt der Beitrag Die KI lügt nicht. Sie rät.

Die erste Hülle: der Chat

Allein tut ein Modell nichts. Es braucht eine Hülle, über die man es nutzen kann. Die erste Hülle ist der Chat: ein Eingabefeld, ein Verlauf, vielleicht ein paar Dateien. Du fragst, das Modell antwortet.

Ein bekannter Name macht den Unterschied greifbar: ChatGPT ist der Chat, das Modell darin heisst GPT. Wenn im Kollegium jemand sagt, «ChatGPT» habe etwas falsch gemacht, lohnt sich deshalb die Rückfrage, ob die Antwort des Modells gemeint ist oder eine Funktion der Oberfläche.

Die zweite Hülle: der Agent

Der Agent gibt dem Modell ein Ziel und Werkzeuge: im Web suchen, Dateien öffnen, Programme ausführen. Und er lässt es in einer Schleife arbeiten: planen, handeln, prüfen, weitermachen, bis die Aufgabe erledigt ist.

Der Agent gibt dem Modell ein Ziel und Werkzeuge und lässt es in einer Schleife arbeiten.

Anthropic beschreibt Agenten in einem Leitfaden von 2024 als Systeme, in denen das Sprachmodell seinen Ablauf und den Einsatz von Werkzeugen selbst steuert. Davon unterscheidet der Leitfaden Workflows, bei denen ein fest programmierter Ablauf vorgibt, wann das Modell welches Werkzeug nutzt. Er nennt auch die Kehrseite: Agenten verursachen höhere Kosten, und Fehler können sich über mehrere Schritte aufschaukeln. Empfohlen werden deshalb ausgiebige Tests in abgeschotteten Umgebungen und passende Leitplanken.

Die Grenzen verschwimmen

Viele Chats können heute auch im Web suchen. Dann arbeiten sie schon ein Stück wie ein Agent: Das Modell entscheidet selbst, ob und wonach es sucht, und baut die Ergebnisse in seine Antwort ein. Das Schalenbild ist deshalb keine scharfe Einteilung, sondern eine Orientierung. Je weiter aussen, desto mehr tut die KI selbst.

Was das für den Unterricht heisst

Der Merksatz aus dem Video fasst das Bild zusammen: Das Modell rechnet, der Chat antwortet, der Agent handelt.

Das Modell rechnet, der Chat antwortet, der Agent handelt.

Für Kursleitende ergeben sich daraus zwei praktische Punkte:

Genau benennen, was gemeint ist. Wer Regeln für KI im Kurs formuliert, sollte sagen, ob ein Chat gemeint ist oder auch Werkzeuge, die selbständig suchen, Dateien bearbeiten oder Programme ausführen.

Genauer hinschauen, je mehr die KI selbst tut. Bei einer Chat-Antwort prüft man einen Text. Bei einem Agenten kommt dazu, welche Schritte er gemacht, welche Quellen er geöffnet und was er verändert hat. Das ist meine Einordnung; sie passt zu Anthropics Hinweis auf höhere Fehlerfolgen und den Bedarf an Tests und Leitplanken.

Wie ein KI-Assistent mit eigenen Dokumenten arbeitet und was das Sprachmodell dabei wirklich sieht, zeigt der Beitrag RAG erklärt: Deine KI hat das Handbuch nie gelesen.

Mein Vorschlag

Zeichne in der nächsten Weiterbildung drei Kreise ineinander aufs Flipchart: Modell, Chat, Agent. Lass die Teilnehmenden die KI-Werkzeuge, die sie kennen oder nutzen, auf Haftnotizen schreiben und einem Kreis zuordnen. Spannend sind die Grenzfälle, etwa ein Chat mit Websuche. Frag dort nach: Was tut das Werkzeug selbst, und was muss ich danach prüfen?

Wer die Schalen auseinanderhält, weiss, wo er genauer hinschauen muss.

RAG erklärt: Deine KI hat das Handbuch nie gelesen

Thu, 01 Oct 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:47 Minuten) mit Transkript: im Beitrag ansehen.

Viele KI-Assistenten, die mit eigenen Dokumenten arbeiten, haben das Handbuch nie ganz gelesen. Sie sehen nur ein paar Schnipsel daraus, ausgewählt von einer Suche. Das Verfahren heisst RAG. Wer es versteht, kann besser einschätzen, wann solche Assistenten verlässlich antworten und wann nicht.

So funktioniert RAG

RAG steht für Retrieval Augmented Generation, also eine Textgenerierung, die durch eine Suche ergänzt wird. Beschrieben haben das Verfahren Patrick Lewis und Kollegen 2020. Zuerst kommt eine Vorbereitung: Alle Dokumente werden in kleine Schnipsel zerlegt. Jeder Schnipsel bekommt einen Zahlencode für seine Bedeutung und landet in einer Datenbank. Bei jeder Frage folgen dann drei Schritte:

Frage übersetzen: Auch deine Frage wird in so einen Zahlencode übersetzt.
Suchen: Die Datenbank sucht die Schnipsel mit dem ähnlichsten Code, meist nur eine Handvoll.
Antworten: Erst jetzt kommt das Sprachmodell ins Spiel. Es bekommt deine Frage und diese paar Schnipsel und formuliert daraus die Antwort.

Vorbereitung und drei Schritte pro Frage: Das Sprachmodell kommt erst am Schluss dazu.

Das Video vereinfacht an einigen Stellen. In der Fachsprache heissen die Schnipsel Chunks, der Zahlencode Embedding und die Datenbank Vektordatenbank. Auch das Embedding entsteht mit einem neuronalen Modell, einem sogenannten Embedding-Modell; das ist aber kein Sprachmodell, das Antworten formuliert. Manche Systeme setzen zusätzlich ein Sprachmodell ein, etwa um die Frage umzuformulieren oder die gefundenen Schnipsel nachzusortieren. Und wie viele Schnipsel das Modell bekommt, hängt vom System ab.

Was das Sprachmodell sieht

Das Sprachmodell sieht nie das ganze Handbuch, sondern nur das, was die Suche vorher ausgewählt hat. Fehlt der entscheidende Schnipsel, fehlt dem Modell die Grundlage. Dann rät es, oder es meldet, dass es nichts findet. Und Zusammenhänge über mehrere Kapitel gehen leicht verloren, weil jeder Schnipsel für sich steht.

Anthropic beschreibt das Problem 2024 so: Herkömmliche RAG-Systeme entfernen beim Zerlegen den Kontext, und deshalb finden sie die relevante Information oft nicht. Ein Satz über ein Umsatzwachstum sagt allein nicht, welche Firma und welches Quartal gemeint ist. Mit zusätzlichem Kontext pro Schnipsel liessen sich solche Fehlgriffe in Anthropics Tests deutlich verringern, aber nicht ganz vermeiden.

Die Alternative: alles ins Kontextfenster

Das Kontextfenster ist alles, was ein Modell beim Antworten berücksichtigen kann, eine Art Arbeitsgedächtnis. Aktuelle Claude-Modelle fassen laut Anthropic eine Million Tokens. Tokens sind die Stücke, in die ein Sprachmodell Text zerlegt: Wörter, Wortteile oder Satzzeichen. Wie viele Seiten das sind, hängt vom Text ab. Anthropic setzt 200’000 Tokens mit etwa 500 Seiten gleich; hochgerechnet ergibt eine Million Tokens rund 2500 Seiten. Deutsche Texte brauchen etwas mehr Tokens pro Wort, darum ist das ein Richtwert.

Gibst du alles direkt hinein, hat das Modell wirklich alles vor sich. Studien zeigen, dass das oft besser ist. Zhuowan Li und Kollegen haben 2024 beide Ansätze auf mehreren öffentlichen Datensätzen verglichen: Mit genügend Ressourcen schnitten Modelle mit langem Kontext im Durchschnitt besser ab als RAG. Auch Anthropic empfiehlt, eine Wissensbasis unter 200’000 Tokens einfach ganz in die Anfrage zu geben.

Die Kehrseite des grossen Fensters

Das grosse Fenster hat drei Grenzen:

Es skaliert nur bis zur Grenze des Fensters. Eine ganze Bibliothek passt nicht hinein.
Jede Frage kostet mehr und dauert länger. Abgerechnet wird pro Eingabe-Token, und das ganze Material geht bei jeder Frage mit. Zwischenspeichern (Prompt Caching) senkt die Kosten, aber nicht auf das Niveau von RAG.
Je voller das Fenster, desto eher übersieht das Modell Details. Nelson Liu und Kollegen zeigten 2023, dass Modelle Informationen in der Mitte eines langen Textes schlechter nutzen als am Anfang oder am Ende («Lost in the Middle»). Chroma testete 2025 achtzehn Modelle und fand, dass die Leistung mit wachsender Eingabe nachlässt, auch bei einfachen Aufgaben. Anthropic nennt das Phänomen in der eigenen Dokumentation «context rot».

Beide Wege haben Stärken: RAG ist günstig und schnell, das volle Fenster stösst an Grenzen.

RAG hat dagegen echte Vorteile: Es ist günstig und schnell. Und weil bekannt ist, welche Schnipsel verwendet wurden, kann es zeigen, woher eine Antwort stammt. Schon Lewis und Kollegen nannten die fehlende Herkunftsangabe als Schwäche von Sprachmodellen ohne Suche.

Die Faustregel

Passt es ins Fenster, gib es ganz hinein. Ist es eine ganze Bibliothek, braucht es RAG. Oder einen Agenten, der selbst gezielt sucht.

Die Faustregel aus dem Video: Fenster, RAG oder ein suchender Agent.

Ein Agent wählt nicht vorab Schnipsel aus, sondern sucht mit Werkzeugen selbst, prüft, was er findet, und sucht bei Bedarf weiter. Boris Cherny vom Team hinter Claude Code schrieb 2026, frühe Versionen des Werkzeugs hätten RAG mit einer lokalen Vektordatenbank genutzt; die agentische Suche funktioniere aber in der Regel besser und sei einfacher.

Was das für Weiterbildungen heisst

Wer mit KI-Assistenten für eigene Unterlagen arbeitet, etwa für Kursdossiers oder Reglemente, kann drei Dinge mitnehmen:

Antworten an der Quelle prüfen. Zeigt ein Assistent an, aus welchem Dokument eine Antwort stammt, lohnt sich der Blick dorthin. Das ist eine Stärke von RAG.

«Nichts gefunden» heisst nicht «gibt es nicht». Vielleicht hat die Suche den passenden Schnipsel nur nicht erwischt. Es hilft, die Frage mit anderen Begriffen zu wiederholen.

Bei Fragen über mehrere Kapitel vorsichtig sein. Vergleiche, Zusammenfassungen ganzer Dokumente oder Widersprüche zwischen Abschnitten gehen mit RAG leicht verloren. Passt das Dokument ins Fenster, ist es oft besser, es ganz mitzugeben.

Was Modell, Sprachmodell, Chat und Agent genau unterscheidet, zeigt der Beitrag Modell, LLM, Chat, Agent: vier Begriffe, ein Bild.

Mein Vorschlag

Teste den KI-Assistenten, den du oder deine Teilnehmenden für eigene Dokumente nutzen, mit drei Fragen zu einem Dokument, das du gut kennst: eine Detailfrage, deren Antwort in einem einzigen Abschnitt steht, eine Frage, die zwei Kapitel verbindet, und eine Frage, deren Antwort nicht im Dokument steht. Vergleiche die Antworten mit dem Original. So siehst du rasch, wo der Assistent verlässlich ist, und kannst das Ergebnis mit den Teilnehmenden gemeinsam auswerten.

Wer weiss, was das Modell sieht, weiss auch, was es nicht wissen kann.

Drei Zeitfresser, die du an die KI abgeben kannst

Tue, 29 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:07 Minuten) mit Transkript: im Beitrag ansehen.

Wenn über KI in der Schule gesprochen wird, geht es oft um Prüfungen und Hausaufgaben. Seltener geht es um die Frage, die viele Lehrpersonen am Sonntagabend beschäftigt: Wie komme ich mit der Vorbereitung durch? Genau dazu gibt es inzwischen eine belastbare Messung.

Was die Studie gemessen hat

Die Education Endowment Foundation (EEF) hat 2024 in England einen Versuch mit 259 Lehrpersonen aus 68 Schulen durchgeführt, ausgewertet vom Forschungsinstitut NFER. Die Schulen wurden zufällig in zwei Gruppen eingeteilt: Die eine nutzte ChatGPT für die Unterrichtsvorbereitung, die andere bereitete ohne KI vor.

Mit ChatGPT brauchten die Lehrpersonen 31 Prozent weniger Zeit für die Vorbereitung, bei gleicher Qualität.

Das Ergebnis: Die Gruppe mit ChatGPT brauchte im Schnitt 56,2 statt 81,5 Minuten pro Woche, also gut 25 Minuten oder 31 Prozent weniger. Ein Expertenpanel bewertete die Materialien beider Gruppen, ohne zu wissen, woher sie stammten. Bei der Qualität fand es keinen Unterschied.

Was die Studie nicht sagt

Untersucht wurde Naturwissenschaft auf der Sekundarstufe (Year 7 und 8 im englischen System), und die Lehrpersonen hatten einen Leitfaden für den Einsatz. Ob sich die Zahl auf andere Fächer, Stufen oder auf einen Einsatz ohne Anleitung übertragen lässt, beantwortet die Studie nicht.

Auch die drei Zeitfresser unten stammen nicht aus der Studie. Sie sind meine Empfehlung, wo sich der gleiche Gedanke anwenden lässt: Die KI liefert einen Entwurf, die Lehrperson macht daraus etwas Brauchbares. Für Kursleitende in der Weiterbildung lässt sich das übertragen, etwa auf Kursausschreibungen, Mitteilungen an Teilnehmende oder Bewertungsraster für Kursarbeiten. Gemessen hat die Studie das dort nicht.

Drei Zeitfresser zum Abgeben

Elternbriefe und Mitteilungen. Die KI schreibt den ersten Entwurf, du passt Ton und Inhalt an.
Differenzierung. Dieselbe Aufgabe in drei Schwierigkeitsstufen oder ein Text in einfacher Sprache.
Bewertungsraster. Die KI schlägt Kriterien und Stufen vor, du schärfst nach.

Drei Aufgaben, bei denen die KI den ersten Entwurf übernehmen kann.

Die Grenze bleibt klar

Die KI liefert Entwürfe, entscheiden tust du. Das gilt für jede der drei Aufgaben: Was rausgeht, verantwortest du. Und Personendaten bleiben draussen. Auch die Volksschule im Kanton Zürich weist in ihren Informationen zu KI darauf hin. Mein Tipp: Ein Elternbrief lässt sich gut mit Platzhaltern wie «[Name]» oder «[Datum]» entwerfen, die du erst am Schluss ausfüllst.

Die KI liefert Entwürfe, entscheiden tust du, und Personendaten bleiben draussen.

Mein Vorschlag zum Ausprobieren

Nimm dir für die nächste Woche einen einzigen Zeitfresser vor, nicht alle drei. Für die Differenzierung zum Beispiel: Gib der KI eine Aufgabe aus deinem aktuellen Unterricht, ohne Angaben zu deiner Klasse, und bitte um drei Fassungen, eine einfachere, die ursprüngliche und eine anspruchsvollere. Dann prüfst du: Stimmt der Inhalt? Passt das Niveau zu deinen Lernenden? Was würdest du ändern?

Notiere dir grob, wie lange du gebraucht hättest und wie lange es mit Entwurf gedauert hat. So weisst du nach einer Woche aus eigener Erfahrung, ob sich der Einsatz für dich lohnt, statt dich auf eine Durchschnittszahl aus England zu verlassen.

Gewonnene Zeit ist Zeit für Beziehung und gute Rückmeldungen.

Aufgaben KI-robust machen

Sat, 26 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:06 Minuten) mit Transkript: im Beitrag ansehen.

«Fasse den Text zusammen und beantworte die Fragen.» Eine solche Hausaufgabe erledigt eine KI heute in wenigen Sekunden. Naheliegend ist der Reflex, KI zu verbieten. Das ist verständlich, bringt aber wenig: Was zu Hause entsteht, lässt sich kaum kontrollieren. Mehr Wirkung hat eine andere Frage: Wie muss eine Aufgabe gebaut sein, damit das Denken trotzdem bei den Lernenden bleibt?

Das Problem ist die Aufgabe, nicht das Werkzeug

Eine Aufgabe, die nur ein fertiges Produkt verlangt, prüft am Ende vor allem, ob ein Text abgegeben wurde. Wer ihn geschrieben hat, sieht man ihm nicht an. KI-robust heisst deshalb nicht, KI auszusperren. Es heisst, Aufgaben so zu stellen, dass eigenes Verstehen sichtbar wird.

Vier Bausteine, mit denen sich eine Aufgabe KI-robust umbauen lässt.

Vier Bausteine

1. Prozess statt Produkt. Bewerte nicht nur das Ergebnis, sondern auch Entwürfe, Zwischenstände und Notizen. Die ZHAW nennt das in ihrer Richtlinie zu KI bei Leistungsnachweisen ausdrücklich: Bewertet werden kann nicht nur das Endprodukt, sondern auch die Erarbeitungsphase, also eine Prozessbewertung.

Auch die ZHAW-Richtlinie nennt Gespräche und die Bewertung des Arbeitsprozesses.

2. Lokaler Bezug. Verknüpfe die Aufgabe mit deiner Klasse, eurem Ort oder einem Erlebnis aus dem Unterricht. Was letzte Woche in eurem Schulzimmer diskutiert wurde, kennt keine KI. Ganz wasserdicht ist das nicht: Wer der KI den Kontext liefert, bekommt trotzdem eine Antwort. Aber die Lernenden müssen sich dafür mit dem Erlebten auseinandersetzen.

3. Mündliche Verteidigung. Ein kurzes Gespräch zeigt schnell, ob jemand den eigenen Text versteht. Die ZHAW-Richtlinie erwähnt bewertete mündliche Zwischengespräche und Verteidigungen. Laut SRF gewinnt Mündliches an Schweizer Hochschulen an Gewicht.

4. KI-Output kritisieren lassen. Die Lernenden prüfen eine KI-Antwort, finden Fehler und verbessern sie. So wird die KI vom Abkürzungsweg zum Lerngegenstand.

Die Bausteine 2 und 4 sind meine eigenen Empfehlungen aus der didaktischen Praxis. Die Bausteine 1 und 3 stützt die ZHAW-Richtlinie direkt. Die Beispiele stammen aus der Schule, die Bausteine passen aber ebenso in Weiterbildungskurse: Statt der Klasse ist es dann die Kursgruppe, statt des Schulzimmers der Kursraum oder der eigene Betrieb.

Mein Vorschlag: eine Aufgabe umbauen

Nimm die eingangs erwähnte Hausaufgabe und baue sie in drei Schritten um:

Statt einer Zusammenfassung lässt du eine KI eine Zusammenfassung erstellen und gibst sie den Lernenden mit dem Auftrag: Markiere, was fehlt, was falsch ist und was du anders gewichten würdest.
Statt allgemeiner Fragen verlangst du einen Bezug zu eurem Unterricht: Wo widerspricht der Text dem, was ihr in der letzten Lektion besprochen habt?
Statt nur abzugeben führst du mit einigen Lernenden ein Gespräch von wenigen Minuten über ihre Korrekturen. Die Notizen aus Schritt 1 und 2 fliessen in die Bewertung ein.

Damit stecken alle vier Bausteine in einer einzigen Aufgabe. Den Aufwand steuerst du selbst: Du entscheidest, mit wie vielen Lernenden du das Gespräch führst.

KI-robust heisst nicht KI-frei

Keiner der Bausteine verbietet die KI. Sie darf mitarbeiten, beim Recherchieren, beim Formulieren, sogar als Gegenstand der Aufgabe. Entscheidend ist, dass die Denkarbeit sichtbar bei den Lernenden bleibt: im Prozess, im Bezug zum eigenen Umfeld, im Gespräch und in der kritischen Prüfung.

KI darf mitarbeiten, die Denkarbeit bleibt bei den Lernenden.

Weniger auf die Folie, mehr Platz zum Denken

Thu, 24 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:04 Minuten) mit Transkript: im Beitrag ansehen.

Folien wie die im Video kennst du wahrscheinlich aus Weiterbildungen, Sitzungen und Kursen: ein Titel, sechs Aufzählungspunkte, 94 Wörter. Gut gemeint, denn alles Wichtige steht drauf. Nur: Während du sprichst, liest dein Publikum. Und beides gleichzeitig geht schlechter, als wir denken.

Das Nadelöhr heisst Arbeitsgedächtnis

Die Cognitive Load Theory geht auf John Sweller zurück. Ihr Kern: Unser Arbeitsgedächtnis ist eng begrenzt. Was wir neu verstehen wollen, muss durch dieses Nadelöhr.

Wer gleichzeitig zuhört und liest, verarbeitet zwei Sprachströme im selben engen Arbeitsgedächtnis.

Wer zuhört und gleichzeitig eine volle Folie liest, schickt zwei Sprachströme hindurch. Mayer und Moreno beschreiben 2003, dass genau diese Doppelung eine zusätzliche, unnötige Belastung erzeugt. Das kostet Aufmerksamkeit, die dann fürs Verstehen fehlt.

Redundanz und Kohärenz

Richard Mayer hat die Forschung dazu 2017 in Gestaltungsregeln für E-Learning übersetzt. Zwei davon passen direkt auf Folien:

Redundanzprinzip: Menschen lernen besser aus Bild und gesprochenem Wort als aus Bild, gesprochenem Wort und demselben Text auf dem Bildschirm. Mayer formuliert es als Regel: Zu einer vertonten Grafik keinen Bildschirmtext hinzufügen.
Kohärenzprinzip: Alles, was nicht zum Lernziel beiträgt, lenkt ab. Also überflüssiges Material weglassen.

Redundanz- und Kohärenzprinzip: Derselbe Text zusätzlich zur Stimme hilft nicht beim Lernen.

Das heisst nicht, dass Text auf Folien verboten ist. Es heisst, dass Text, der nur wiederholt, was du ohnehin sagst, nicht hilft, sondern stört.

Und die Untertitel in diesem Video?

Berechtigte Frage, denn auch die Nuggets zeigen Text zur Stimme. Das Redundanzprinzip bezieht sich auf Lernsituationen mit Ton, etwa vorgelesene Folien. Ich habe mich trotzdem für Untertitel entschieden: Sie machen ein kurzes Video auch ohne Ton verständlich, helfen bei einer Fremdsprache und bei Hörbeeinträchtigung.

Drei Dinge für deine nächste Präsentation

Eine Aussage pro Folie, als kurzer Satz.
Ein Bild oder Schema statt Aufzählung.
Was du sagst, muss nicht auf der Folie stehen. Die Details gehören ins Handout.

Meine Übung für dich

Ein Vorschlag, den du in einer halben Stunde ausprobieren kannst: Nimm deine letzte Präsentation und such die vollste Folie. Zähl die Wörter. Dann schreib die eine Aussage, die hängen bleiben soll, als einzigen Satz auf eine neue Folie. Überleg dir ein Bild oder Schema, das diese Aussage zeigt. Alles andere wandert in die Notizen für deinen Vortrag oder ins Handout.

Weniger Text auf der Folie lässt mehr Kapazität fürs Verstehen.

Achte beim nächsten Halten darauf, wohin dein Publikum schaut: zu dir oder auf die Leinwand.

Weniger Text heisst nicht weniger Inhalt, sondern mehr Platz zum Denken.

Die Daten-Ampel: Was darf in die KI?

Tue, 22 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:11 Minuten) mit Transkript: im Beitrag ansehen.

Ein Schülerbericht ist schnell geschrieben, die richtigen Formulierungen zu finden dauert länger. Da liegt es nahe, den Text in ChatGPT zu kopieren und um bessere Sätze zu bitten. Genau das ist aber ein Problem: Ein Schülerbericht enthält Personendaten eines Kindes, und die gehören nicht in ein KI-Tool.

Im Schulalltag fällt die Entscheidung oft in Sekunden. Deshalb hilft eine einfache Ampel. Sie ist eine eigene didaktische Vereinfachung und ersetzt nicht die Vorgaben deines Kantons oder deiner Schule. Für die schnelle Einschätzung reicht sie aber meistens. Die Beispiele stammen aus der Volksschule; für Kursleitende in der Weiterbildung lässt sich die Ampel übertragen, etwa auf Teilnehmendenlisten, Rückmeldungen oder Prüfungsergebnisse.

Grün: öffentliches und eigenes Material

Arbeitsblätter, die du selbst erstellt hast, Lehrplantexte, ein Gedicht: Solche Inhalte enthalten keine Personendaten und dürfen in die KI. Ein Hinweis am Rand: Bei fremden Texten stellt sich zusätzlich die Frage des Urheberrechts. Das ist ein eigenes Thema und hat mit der Ampel nichts zu tun.

Grün: Eigenes und öffentliches Material ohne Personendaten darf in die KI.

Gelb: intern, aber ohne Personenbezug

Ein Elternbrief ohne Namen oder eine anonymisierte Rückmeldung sind möglich, aber nur, wenn wirklich nichts mehr auf einzelne Kinder schliessen lässt. Das ist schwieriger, als es klingt. Auch ohne Namen können die Klasse, der Ort oder ein besonderes Ereignis verraten, um wen es geht. Das Volksschulamt Zürich nennt ausdrücklich auch Hinweise auf Namen und Lokalitäten. Die Datenschutzbeauftragte des Kantons Zürich empfiehlt, Daten idealerweise zu anonymisieren, bevor ein Anbieter sie einsehen kann.

Gelb: möglich, aber nur, wenn nichts mehr auf einzelne Kinder schliessen lässt.

Rot: Personendaten von Lernenden

Namen, Noten, Berichte und vor allem besonders schützenswerte Daten, etwa zur Gesundheit, gehören nicht in die KI. Gesundheitsdaten gelten im Zürcher Datenschutzrecht als besondere Personendaten. Die Datenschutzbeauftragte hält zudem fest: Personendaten bleiben schützenswert, auch wenn sie öffentlich sind, und die Verantwortung bleibt bei der Schule, nicht beim KI-Anbieter.

Rot: Personendaten von Lernenden gehören nicht in die KI.

Kantonale Regeln: verschieden, aber in dieselbe Richtung

Das Volksschulamt Zürich ist deutlich: keine persönlichen Daten von Schülerinnen und Schülern, vor allem keine besonderen Personendaten. Andere Kantone regeln das im Detail anders, die Handreichung des Kantons Solothurn etwa geht auf die Einwilligung der Eltern bei Kindern unter 16 Jahren ein. Die Richtung ist überall dieselbe. Arbeitet deine Schule mit einer eigenen, vertraglich geprüften KI-Lösung, können andere Vorgaben gelten. Frag im Zweifel bei deiner Schulleitung nach. Die Vorgaben der Volksschulämter gelten für die Volksschule; für die Weiterbildung sind sie übertragbar, massgebend sind dort die Regeln deiner Institution.

Mein Vorschlag für den Schülerbericht

Statt den Bericht in die KI zu kopieren, kannst du sie um allgemeine Formulierungshilfen bitten, ganz ohne Bezug zum konkreten Kind. Zum Beispiel: «Gib mir fünf wertschätzende Formulierungen für Fortschritte beim Lesen.» Die passenden Sätze setzt du dann selbst in deinen Bericht ein. So bleibt der Bericht bei dir, und die KI hilft trotzdem.

Und eine kleine Übung: Nimm drei Dokumente, die du diese Woche bearbeitet hast, und ordne jedes einer Farbe zu. Bei Gelb lohnt sich ein zweiter Blick: Würde eine Kollegin aus dem Schulhaus erkennen, um wen es geht? Dann ist es Rot.

Die Faustregel zum Mitnehmen: Würde jemand erkennen, um wen es geht, gehört der Text nicht in die KI. Im Video heisst sie kürzer «Was du nicht öffentlich aushängen würdest»; gemeint sind damit Inhalte mit Bezug zu Personen (Rot), nicht interne Inhalte ohne Personenbezug (Gelb).

Online ist nicht gleich online

Sat, 19 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:33 Minuten) mit Transkript: im Beitrag ansehen.

«Diesen Lehrgang gibt es auch online.» So ein Satz klingt nach einer klaren Auskunft. Er sagt aber erstaunlich wenig. Gemeint sein kann eine Live-Lektion per Videokonferenz, ein Präsenzlehrgang mit digitaler Lernplattform oder ein Lernpfad, den man ganz allein durcharbeitet. Alle drei tragen dasselbe Etikett. Für Lernende fühlen sie sich völlig verschieden an.

Warum «Präsenz oder online?» zu kurz greift

Die übliche Frage unterscheidet nur nach dem Ort. Der Ort ist aber nicht das, was ein Lernangebot didaktisch ausmacht. Unterricht mit festen Zeiten bleibt auch in der Videokonferenz ein Stundenplan. Die Lernenden sparen den Weg, aber wann und in welchem Tempo gelernt wird, bestimmt weiterhin die Schule.

Drei sehr verschiedene Angebote, alle mit demselben Etikett «online».

Drei Dimensionen statt einer

Ich beschreibe Lernangebote deshalb entlang von drei Dimensionen:

Flexibilität: Wer bestimmt Ort, Zeit und Tempo?
Führung und Verbindlichkeit: Wie stark strukturiert und begleitet die Schule das Lernen?
Selbstregulation: Wie viel Planung und Durchhaltevermögen verlangt das Modell von den Lernenden?

Daraus ergeben sich vier Typen: das Online-Klassenzimmer, die Schule mit digitalem Lernökosystem, das digitale Selbstlernmodell und der Baukasten, der mehrere Formate nebeneinander anbietet. Die Typologie ist eine konzeptionelle Darstellung für die kaufmännische Weiterbildung, keine Bewertung einzelner Schulen.

Ganz neu sind diese Dimensionen nicht. Das Modell der Community of Inquiry von Garrison, Anderson und Archer (2000) beschreibt für das Online-Lernen neben sozialer und kognitiver Präsenz auch eine Teaching Presence: die Gestaltung und Begleitung des Lernens durch die Lehrenden. Das liegt nahe an meiner zweiten Dimension.

Flexibilität hat einen Preis

Mehr Flexibilität verschiebt Verantwortung zu den Lernenden. Wer Ort, Zeit und Tempo selbst wählt, muss auch selbst planen, dranbleiben und den eigenen Fortschritt im Blick behalten. Eine Übersichtsarbeit von Broadbent und Poon (2015) zeigt, dass solche Selbstregulationsstrategien beim Online-Lernen mit dem Lernerfolg zusammenhängen, etwa das Zeitmanagement.

Je flexibler das Format, desto mehr Verantwortung liegt bei den Lernenden.

Das flexibelste Modell ist darum nicht automatisch das beste. Entscheidend ist die Passung zur Zielgruppe.

Eine Übung für dein Team

Mein Vorschlag für die nächste Teamsitzung: Nehmt einen eigenen Lehrgang und schätzt ihn auf den drei Dimensionen ein, jeweils von «tief» bis «hoch». Dann stellt ihr drei Fragen:

Stimmt die Beschreibung? Würde jemand aus der Zielgruppe den Lehrgang anhand des Prospekts gleich einordnen?
Passt die Selbstregulation zur Zielgruppe? Wer neben Beruf und Familie lernt, braucht vielleicht Flexibilität, aber auch klare Etappen.
Wo fehlt Unterstützung? Wenn ihr viel Flexibilität bietet, was gebt ihr den Lernenden mit, damit sie damit umgehen können?

Die bessere Frage: Welche Balance passt zu welcher Zielgruppe?

Die Antworten führen meist zur eigentlichen Frage: Brauchen wir flexiblere Angebote oder bessere Unterstützung für die Flexibilität? Nicht Präsenz oder online, sondern die Balance aus Flexibilität, Führung und Selbstverantwortung, die zu euren Lernenden passt.

Lernen ist kein Ereignis, sondern ein Rhythmus

Thu, 17 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:12 Minuten) mit Transkript: im Beitrag ansehen.

Wer einen Kurs plant, denkt meist an den Moment der Vermittlung: gute Folien, eine klare Erklärung, eine passende Übung. Was danach mit dem Gelernten passiert, bleibt oft dem Zufall überlassen. Dabei entscheidet genau dieses Danach, wie viel hängen bleibt. Gezeigt hat das Hermann Ebbinghaus schon 1885.

Ein Selbstversuch mit sinnlosen Silben

Ebbinghaus war Versuchsleiter und Versuchsperson in einem. Er lernte Reihen sinnloser Silben auswendig und prüfte nach unterschiedlichen Abständen, von 20 Minuten bis zu 31 Tagen, wie viel davon noch da war. Gemessen hat er das mit der Ersparnismethode: Wie viel weniger Aufwand braucht es, eine Reihe erneut zu lernen?

Das Ergebnis ist die Vergessenskurve. Sie fällt am Anfang steil ab und flacht dann ab. 2015 haben Murre und Dros den Versuch wiederholt, ebenfalls mit einer einzigen Versuchsperson, über rund 70 Stunden. Ihre Ergebnisse glichen den Originaldaten von Ebbinghaus.

Was die Kurve nicht sagt

Vorsicht bei genauen Prozentzahlen, die dazu kursieren, etwa wie viel nach einer Woche vergessen sei. Ebbinghaus’ Werte gelten für sinnlose Silben in einem Selbstversuch und lassen sich nicht einfach auf Kursinhalte übertragen. Deshalb zeigt das Video die Kurve als Schema, ohne Messwerte.

Schema: Sinnvoller Stoff wird besser behalten als sinnlose Silben.

Sinnvollen Stoff behalten wir besser. Ebbinghaus selbst stellte fest, dass er für Strophen aus Byrons «Don Juan» nur einen Bruchteil der Wiederholungen brauchte. Das Prinzip bleibt aber: Ohne Wiederholung verblasst auch Sinnvolles.

Wiederholung verändert die Kurve

Die gute Nachricht steckt ebenfalls bei Ebbinghaus. Lernte er dieselbe Reihe an mehreren Tagen erneut, wuchs die Ersparnis. Vereinfacht gesagt: Jede Wiederholung zieht die Kurve wieder hoch, und danach fällt sie flacher ab als vorher.

Jede Wiederholung zieht die Kurve wieder hoch, danach fällt sie flacher ab.

Die heutige Lernforschung bestätigt die Richtung. Dunlosky und Kollegen haben 2013 verbreitete Lerntechniken nach ihrem Nutzen bewertet. Verteiltes Üben und Abfragen erhielten die beste Bewertung, erneutes Lesen eine tiefe. Fast jede Form von Übungstest hilft, schreibt Dunlosky.

Drei Dinge für deine Kurse

Wiederholung einplanen, verteilt über Tage und Wochen, statt alles an einem Tag.
Abfragen statt nochmals lesen. Wer sich aktiv erinnert, behält mehr als wer den Text erneut durchgeht.
Kurze Abrufmomente einbauen, zum Beispiel ein Quiz zu Beginn der nächsten Lektion.

Mein Vorschlag für die nächste Lektion

Starte die Lektion mit drei bis fünf kurzen Fragen: zwei zum Stoff der letzten Lektion, eine zu einem Thema von vor einigen Wochen. Ohne Noten, die Auflösung folgt direkt danach. Das kostet wenige Minuten und verbindet genau die beiden Techniken, die in der Übersicht von Dunlosky am besten abschneiden: abfragen und verteilt wiederholen.

Wiederholung wirkt als Rhythmus, nicht als einmaliges Ereignis.

Und eine Übung für dich als Kursleitung: Nimm deinen aktuellen Kursplan und markiere bei jedem wichtigen Thema, wann es nach der ersten Lektion ein zweites Mal vorkommt. Wo keine Markierung steht, plant der Kurs das Vergessen gleich mit ein.

Lernen ist kein einmaliges Ereignis, sondern ein Rhythmus.

KI-Detektoren sind kein Beweis

Tue, 15 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:15 Minuten) mit Transkript: im Beitrag ansehen.

Seit Sprachmodelle ganze Aufsätze schreiben, wächst der Wunsch nach einem Werkzeug, das auf Knopfdruck sagt: Das war die KI. Anbieter von KI-Detektoren versprechen genau das, oft mit beeindruckenden Prozentzahlen. Das Problem liegt nicht nur darin, dass diese Zahlen in der Praxis selten halten. Es liegt schon in der Rechnung selbst.

Ein Prozent klingt wenig, bis man nachrechnet

Nimm an, ein Detektor liegt in 99 Prozent der Fälle richtig. Deine Schule lässt 1000 Aufsätze prüfen, und alle sind ehrlich geschrieben. Ein Prozent Fehlalarm heisst dann: Zehn Lernende stehen unter Verdacht, obwohl sie nichts falsch gemacht haben.

Schon bei 99 Prozent Genauigkeit geraten von 1000 ehrlichen Aufsätzen zehn unter Verdacht.

Das Entscheidende an dieser Rechnung: Die Fehlalarme wachsen mit der Menge. Je mehr Texte geprüft werden, desto mehr Unschuldige trifft es, auch wenn der Prozentsatz gleich bleibt. Und jeder dieser Fälle ist ein schwieriges Gespräch, bei dem Vertrauen auf dem Spiel steht. Dabei ist 99 Prozent ein bewusst optimistischer Wert.

Was die Forschung zeigt

In der Praxis schneiden die Werkzeuge deutlich schlechter ab. Eine Forschungsgruppe um Weber-Wulff hat 2023 vierzehn Detektoren getestet. Ihr Fazit: Die Tools sind weder genau noch zuverlässig.

Drei Befunde aus der Forschung zu KI-Detektoren.

Eine zweite Studie von Liang und Kollegen zeigt ein Fairness-Problem. Englische Texte von Menschen, die nicht in ihrer Muttersprache schreiben, werden besonders häufig als KI markiert. Untersucht wurden englische Aufsätze, unter anderem aus dem Sprachtest TOEFL; ob das für Deutsch als Zweitsprache genauso gilt, sagt die Studie nicht. Im Video ist das verkürzt. Die Forschenden vermuten, dass die Detektoren Menschen mit eingeschränkterem sprachlichem Ausdruck unbeabsichtigt benachteiligen. Sie raten ausdrücklich davon ab, solche Werkzeuge in Bewertungs- und Bildungssituationen einzusetzen.

Und selbst OpenAI, das Unternehmen hinter ChatGPT, hat seinen eigenen Detektor im Juli 2023 wieder eingestellt, wegen zu geringer Genauigkeit.

Was stattdessen hilft

Ein Detektor-Ergebnis ist kein Beweis. Es kann höchstens ein Anlass sein, genauer hinzuschauen. Was im Alltag mehr bringt, sind meine drei Empfehlungen aus dem Video:

Den Entstehungsprozess sichtbar machen. Entwürfe, Notizen und Zwischenstände gehören zur Abgabe. Wer einen Text selbst entwickelt hat, kann diesen Weg zeigen.
Das Gespräch über den Text suchen. Nicht als Verhör, sondern als Teil der Beurteilung: Warum dieser Aufbau? Was war schwierig?
Aufgaben so stellen, dass eigenes Denken gefragt ist. Zum Beispiel mit Bezug auf den eigenen Unterricht, eigene Erfahrungen oder eine begründete Entscheidung.

Drei Wege, die mehr bringen als ein Detektor-Ergebnis.

Eine Übung fürs Kollegium

Mein Vorschlag für die nächste Teamsitzung: Schätzt gemeinsam, wie viele schriftliche Arbeiten an eurer Schule pro Semester abgegeben werden. Rechnet dann mit einem Prozent Fehlalarm, also dem optimistischen Wert. Die Zahl, die dabei herauskommt, sind die Gespräche mit ehrlichen Lernenden, die ihr führen müsstet. Danach lohnt sich die Frage: Welche Aufgaben in unserem Alltag würden einen Detektor überflüssig machen?

Vertrauen entsteht nicht durch Software, sondern durch gute Aufgaben.

Die KI lügt nicht. Sie rät.

Sat, 12 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:19 Minuten) mit Transkript: im Beitrag ansehen.

Wer mit KI-Werkzeugen arbeitet, kennt den Moment: Die Antwort ist flüssig formuliert, gut strukturiert und klingt kompetent. Und trotzdem stimmt sie nicht. Eine Quelle, die es nicht gibt. Eine Jahreszahl, die knapp daneben liegt. Ein Zitat, das nie gesagt wurde. Man nennt das Halluzination. Das Wort klingt nach einer Störung. Tatsächlich ist es eine direkte Folge davon, wie Sprachmodelle funktionieren.

Ein Sprachmodell kennt keine Wahrheit, nur Wahrscheinlichkeiten

Ein Sprachmodell schlägt nicht nach. Es berechnet, vereinfacht gesagt, welches Wort am wahrscheinlichsten als nächstes kommt, und das Wort für Wort. Weil es mit riesigen Textmengen trainiert wurde, ist das wahrscheinlichste Wort sehr oft auch das richtige.

Das wahrscheinlichste Wort ist nicht immer das richtige: Sydney statt Canberra.

Weiss das Modell etwas nicht, ändert sich an diesem Ablauf nichts. Es wählt weiterhin das wahrscheinlichste nächste Wort. Das Ergebnis ist ein Satz, der genauso sicher klingt wie eine korrekte Antwort. Ein Zögern, ein «vielleicht» oder einen Hinweis auf Unsicherheit gibt es dabei nicht automatisch.

Warum die KI nicht einfach «Ich weiss es nicht» sagt

OpenAI hat 2025 eine Erklärung dazu veröffentlicht, begleitet von einer wissenschaftlichen Arbeit. Der Kern: Sprachmodelle werden ähnlich bewertet wie Lernende bei einer Multiple-Choice-Prüfung. Wer rät, holt manchmal Punkte. Wer nichts ankreuzt, holt sicher keine.

Wie bei einer Multiple-Choice-Prüfung bringt Raten im Schnitt mehr Punkte als Schweigen.

Wenn die Bewertung Raten belohnt und Zurückhaltung bestraft, lernt ein Modell genau das: Raten lohnt sich. Die Halluzination ist also auch ein Ergebnis davon, wie Modelle gemessen und verbessert werden.

Was das für den Unterricht heisst

Die wichtigste Einsicht für Lernende lautet: Der sichere Ton sagt nichts über die Richtigkeit. Eine KI-Antwort ist ein Entwurf, kein Nachschlagewerk.

Drei Prüffragen für jede KI-Antwort.

Drei Prüffragen helfen im Alltag:

Finde ich das in einer zweiten, unabhängigen Quelle? Nicht in einer zweiten KI, sondern in einer Quelle, die selbst belegt ist.
Lassen sich Namen, Zahlen und Zitate konkret überprüfen? Gerade diese Details sind besonders anfällig, weil sie plausibel klingen müssen, aber exakt stimmen sollten.
Was passiert, wenn ich dieselbe Frage anders stelle? Ändert sich die Antwort bei einer leicht anderen Formulierung, ist das ein Warnsignal.

Eine Übung für die nächste Lektion

Lass die Lernenden in Gruppen eine KI zu einem Thema befragen, das sie bereits gut kennen. Jede Gruppe sucht mit den drei Prüffragen nach einer Stelle, die nicht stimmt, und belegt den Fehler mit einer Quelle. Die Auswertung im Plenum zeigt meist schnell, wie überzeugend falsche Antworten wirken können. Und sie macht aus dem Misstrauen eine Technik, die man üben kann.

Die KI ist kein Lexikon, sondern ein sehr guter Rater. Wer das weiss, kann sie sinnvoll nutzen.

Lock-in in drei Akten: warum gratis kein Versprechen ist

Thu, 10 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:17 Minuten) mit Transkript: im Beitrag ansehen.

Viele digitale Werkzeuge kosten Schulen nichts. Google bietet Workspace for Education Fundamentals berechtigten Bildungseinrichtungen kostenlos an, Microsoft das Paket Office 365 A1 mit den Web-Apps. Das ist bequem und senkt die Hürde für den Einstieg. Die Frage ist, was nach dem Einstieg kommt.

Drei Akten, selten mit Absicht

Das Video beschreibt Lock-in als Ablauf in drei Akten. Das Modell ist eine vereinfachte eigene Darstellung, keine wissenschaftliche Einteilung.

Einstieg. Das Tool ist kostenlos, schnell eingerichtet, alle können sofort loslegen. Kaum jemand sagt da Nein.
Gewöhnung. Nach ein paar Jahren stecken Unterlagen, Abläufe und Routinen im Tool. Lehrpersonen und Lernende kennen es. Ein Wechsel wäre plötzlich ein eigenes Projekt.
Abhängigkeit. Jetzt bestimmt der Anbieter die Bedingungen.

Wichtig ist der erste Satz: Lock-in passiert selten mit Absicht. Niemand entscheidet sich bewusst für eine Abhängigkeit. Sie entsteht aus vielen kleinen, jeweils vernünftigen Schritten.

Ein Beispiel aus 2025

Microsoft bot Schulen mit Office 365 A1 Plus ein Gratis-Paket an, das auch die Desktop-Programme enthielt. Laut Microsoft laufen alle bestehenden A1-Plus-Lizenzen im Jahr 2025 aus. Als Optionen nennt Microsoft den Wechsel in die kostenpflichtigen Pakete A3 oder A5 oder das kostenlose A1, das nur die Web-Versionen umfasst.

Der dritte Akt: Das Gratis-Paket läuft aus, weiter geht es nur im Bezahlpaket.

Matthias Stürmer von der Berner Fachhochschule hat sich 2024 in einem Interview zur digitalen Souveränität allgemein zur Marktmacht grosser Anbieter geäussert. Er sagt, Firmen wie Microsoft oder SAP könnten heute «praktisch beliebig die Preise bestimmen».

Drei Fragen vor jeder Einführung

Das Video schlägt drei Fragen vor, bevor ein neues Tool eingeführt wird:

Was kostet es in fünf Jahren, nicht im ersten?
Kommen wir mit unseren Daten in einem offenen Format wieder raus?
Wer im Haus versteht das System, falls wir wechseln müssen?

Drei Fragen, die vor jedem neuen Tool geklärt sein sollten.

Die erste Frage zielt auf den Einstieg, die zweite auf die Gewöhnung, die dritte auf die Abhängigkeit. Wer alle drei beantworten kann, bevor das Tool läuft, hat im dritten Akt mehr Spielraum.

Mein Vorschlag zum Ausprobieren

Nimm ein Tool, das an deiner Schule oder in deiner Organisation schon seit ein paar Jahren läuft, und mach einen kleinen Exporttest: Lade einen echten Kurs, einen Ordner oder eine Sammlung von Unterlagen herunter und öffne sie in einem anderen Programm. Notiere, was dabei verloren geht, zum Beispiel Struktur, Kommentare oder Bewertungen.

Danach gehst du die drei Fragen für dieses Tool durch. Wo du keine Antwort hast, weisst du, wo der dritte Akt schon begonnen haben könnte. Für neue Tools lohnt es sich, den gleichen Test vor der Einführung zu machen, solange ein Wechsel noch nichts kostet.

Meine Sicht

Gratis ist ein Einstiegspreis, kein Versprechen. Darum gehören vor jede Einführung die drei Fragen: nach den Kosten in fünf Jahren, nach dem Weg hinaus in einem offenen Format und nach dem Wissen im eigenen Haus.

Ein Gratis-Angebot sagt nichts über die Kosten in einigen Jahren.

Gespeichert in der Schweiz ist nur die halbe Antwort

Tue, 08 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:28 Minuten) mit Transkript: im Beitrag ansehen.

«Gespeichert in der Schweiz» ist ein Satz, den Schulen und Verwaltungen oft hören, wenn sie einen Cloud-Dienst prüfen. Er beantwortet eine wichtige Frage. Aber nicht die einzige.

Speicherort und Rechtsraum

Bei Daten in der Cloud lohnt es sich, zwei Fragen auseinanderzuhalten. Der Speicherort sagt, wo die Server physisch stehen. Der Rechtsraum sagt, welchem Recht das Unternehmen untersteht, das den Dienst betreibt.

Die beiden Antworten können auseinanderfallen. Ein Rechenzentrum kann in Zürich stehen und trotzdem von einem Konzern mit Sitz in den USA betrieben werden. Solche Angebote gibt es: Microsoft hat im Dezember 2019 Office 365 mit Datenhaltung in Schweizer Rechenzentren lanciert. Die Ankündigung spricht von ruhenden Kundendaten und nennt Exchange Online, SharePoint Online, OneDrive for Business und Teams, nicht alle Dienste.

Was der CLOUD Act regelt

Der CLOUD Act wurde im März 2018 in den USA unterzeichnet. Er hat einen neuen Paragrafen ins US-Recht eingefügt, 18 U.S.C. § 2713. Danach müssen Anbieter Daten herausgeben, die sie besitzen, verwahren oder kontrollieren, unabhängig davon, ob diese Daten in den USA oder im Ausland liegen. Das gilt für Ermittlungen der Strafverfolgung.

Der CLOUD Act kann auch Daten in einem Schweizer Rechenzentrum erfassen, wenn der Anbieter US-Recht untersteht.

Die Schweizer Datenschutzbeauftragten weisen in ihrer Resolution darauf hin, dass eine solche Herausgabe ohne die Regeln der internationalen Rechtshilfe erfolgen kann. Für die Frage, wer auf Daten zugreifen kann, zählt also auch der Sitz des Anbieters.

Was privatim im November 2025 festgehalten hat

privatim ist die Konferenz der schweizerischen Datenschutzbeauftragten. Dazu gehören die kantonalen Beauftragten, der EDÖB und mehrere Städte. Am 18. November 2025 hat die Konferenz eine Resolution verabschiedet, publiziert am 24. November.

Die Kernaussage der privatim-Resolution vom November 2025, sinngemäss und kein wörtliches Zitat. Die Resolution spricht von öffentlichen Organen; die öffentlichen Schulen habe ich ergänzt, weil sie dazu gehören.

Der Kern in den Worten der Resolution: Wenn öffentliche Organe besonders schützenswerte oder geheimhaltungspflichtige Personendaten in Cloud-Software grosser internationaler Anbieter auslagern, ist das in den meisten Fällen unzulässig. Als Beispiel nennt die Resolution Microsoft 365. Möglich bleibt es, wenn die Behörde die Daten selbst verschlüsselt und der Anbieter keinen Zugang zum Schlüssel hat.

Zur Einordnung:

Die Resolution ist eine Einschätzung der Aufsichtsbehörden, kein Gesetz. Der Kanton Thurgau liest sie vorsichtiger: nicht zwingend in jedem Fall.
Schulen werden in der Resolution nicht ausdrücklich genannt. Im Video und auf der Folie ist das meine Übertragung: Öffentliche Schulen sind öffentliche Organe und damit erfasst, private Schulen nicht. Die Aussage im Video ist deshalb eine sinngemässe Zusammenfassung, kein wörtliches Zitat.
Es geht um Cloud-Software grosser Anbieter, nicht um jeden internationalen Cloud-Dienst.
Der Kanton Glarus hat sich der Resolution nicht angeschlossen.

Drei Fragen vor dem nächsten Tool

Wo liegen die Daten? Gilt die Zusage für alle Funktionen oder nur für einen Teil der Daten?
Welchem Recht untersteht der Anbieter? Wo haben der Betreiber und sein Mutterkonzern ihren Sitz?
Wer hält den Schlüssel? Verschlüsselt deine Organisation selbst, oder verwaltet der Anbieter die Schlüssel?

Hilfreich ist eine vierte Frage vorab: Um welche Daten geht es überhaupt? Für eine Linkliste gelten andere Massstäbe als für Förderberichte oder Gesundheitsangaben.

Meine Sicht

Speicherort ist Geografie. Rechtsraum ist Politik. Darum gehören vor jedes neue Tool die drei Fragen von oben: Wo liegen die Daten? Welchem Recht untersteht der Anbieter? Und wer hält den Schlüssel?

Wo die Server stehen, sagt noch nicht, welches Recht gilt.

Und bei dir?

Wer hält bei deiner Organisation den Schlüssel?

Digitale Souveränität ist kein Schalter, sondern eine Skala

Sat, 05 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:30 Minuten) mit Transkript: im Beitrag ansehen.

In Diskussionen über digitale Souveränität taucht oft eine einfache Formel auf: Microsoft raus, Open Source rein, Problem gelöst. Die Formel behandelt Souveränität wie einen Lichtschalter, entweder an oder aus. In der Praxis ist die Lage vielschichtiger.

Was der Bundesrat unter digitaler Souveränität versteht

Der Bundesrat hat im November 2025 einen Bericht zur digitalen Souveränität der Schweiz veröffentlicht, in Erfüllung des Postulats 22.4411. Er beschreibt sie als «die erforderliche Kontroll- und Handlungsfähigkeit des Staates im digitalen Raum». Der Bericht hält ausdrücklich fest, dass der Begriff unterschiedlich verstanden wird.

Die Definition spricht von der erforderlichen Kontroll- und Handlungsfähigkeit, nicht von vollständiger Unabhängigkeit.

Vier Regler statt eines Schalters

Um die Frage greifbar zu machen, nutze ich im Video ein eigenes Modell mit vier Reglern. Es ist kein offizielles Raster, sondern eine Denkhilfe:

Daten: Wo liegen sie, und wer kann darauf zugreifen?
Software: Lässt sie sich prüfen, anpassen und im Notfall ersetzen?
Infrastruktur: Wer betreibt die Server, und nach welchem Recht?
Kompetenz: Verstehen wir selbst, was wir einsetzen, oder hängen wir am Wissen des Anbieters?

Das Modell der vier Regler: Daten, Software, Infrastruktur und Kompetenz.

Jeder Regler steht irgendwo zwischen «abhängig» und «souverän». Eine Organisation kann bei einem Regler weit rechts und bei einem anderen weit links stehen.

Das Beispiel Schule

Im Video steht eine Schule als Beispiel. Ihre Daten liegen in einem Schweizer Rechenzentrum, aber bei einem US-Konzern. Solche Angebote gibt es tatsächlich: Microsoft bietet Office 365 seit 2019 mit Datenhaltung in der Schweiz an. Der Speicherort ist damit geklärt, der Betreiber bleibt aber ein ausländisches Unternehmen. Der Regler steht deshalb in der Mitte.

Eine Schule als Beispiel: Die vier Regler stehen unterschiedlich weit.

Die übrigen Werte im Beispiel: proprietäre Software, die tief im Alltag verankert ist, eine Infrastruktur bei einem globalen Cloud-Anbieter und eine einzelne Person, die die IT neben dem Unterricht betreut. Das ist ein konstruiertes Beispiel, keine Erhebung über Schweizer Schulen.

Fragen für die nächste Beschaffung

Wer ein neues Werkzeug auswählt, kann jeden Regler mit einer konkreten Frage prüfen:

Daten: Wo werden die Daten gespeichert, und welche Stellen können rechtlich auf sie zugreifen?
Software: Können wir die Daten in einem offenen Format exportieren? Was kostet ein Wechsel in fünf Jahren?
Infrastruktur: Wer betreibt den Dienst, und welches Recht gilt für diesen Betreiber?
Kompetenz: Wer bei uns versteht das System so gut, dass wir ohne den Anbieter Entscheide treffen können?

Keine dieser Fragen verlangt eine perfekte Antwort. Sie machen sichtbar, in welche Richtung ein Entscheid die Regler verschiebt.

Meine Sicht

Ich halte es für falsch, alle Regler auf einen Schlag nach rechts schieben zu wollen. Das wäre teuer und riskant. Sinnvoller finde ich, bei jedem neuen Entscheid zu fragen: In welche Richtung bewegt uns das?

Für mich ist der wichtigste Regler der unscheinbarste: Kompetenz. Ohne sie bewegt sich keiner der anderen. Wer selbst versteht, was er einsetzt, kann Daten verlagern, Software wechseln und Betreiber vergleichen. Wer dieses Wissen nicht hat, bleibt beim Anbieter, egal wo die Server stehen.

Und bei dir?

Souveränität ist kein Schalter, sondern eine Skala. Wo stehen die vier Regler in deiner Organisation, und welcher bewegt sich als nächstes?

Digitale Souveränität ist kein Entweder-oder.

Die 4 D: Aus einem KI-Werkzeug wird eine Kompetenz

Thu, 03 Sep 2026 00:00:00 GMT

Zu diesem Beitrag gibt es ein Video (1:35 Minuten) mit Transkript: im Beitrag ansehen.

KI schreibt dir in zehn Sekunden eine ganze Prüfung. Das ist beeindruckend, beantwortet aber die wichtigere Frage nicht: Solltest du sie so verwenden? Viele von uns arbeiten mit KI nach dem Prinzip Hoffnung. Prompt rein, Ergebnis raus, fertig. Das spart Zeit, bis die erste falsche Musterlösung im Umlauf ist.

Was dabei fehlt, ist selten ein besseres Tool. Es fehlt ein Kompetenzmodell, also eine Vorstellung davon, was gute Arbeit mit KI ausmacht. Eines davon sind die vier D.

Woher die vier D kommen

Die vier D stammen aus dem AI Fluency Framework von Rick Dakan (Ringling College of Art and Design) und Joseph Feller (University College Cork), entwickelt in Zusammenarbeit mit Anthropic. Das Framework versteht AI Fluency als die Fähigkeit, wirksam, effizient, ethisch und sicher mit KI zu arbeiten. Dazu gehören frei zugängliche Kurse, unter anderem für Lehrpersonen.

Die vier D begleiten jeden KI-Einsatz: vorher, währenddessen und danach.

Die vier D im Überblick

Delegation: bewusst übergeben. Entscheide, was die KI übernimmt und was bei dir bleibt. Übungsfragen zu einem Text vorschlagen? Gerne. Die Bewertung einer Abschlussarbeit bleibt bei dir.

Delegation: Die KI darf Übungsfragen vorschlagen, die Bewertung einer Abschlussarbeit bleibt bei dir.

Description: klar beschreiben. Die KI kennt deine Klasse nicht. Sag ihr, wer lernt, was das Lernziel ist und wie das Ergebnis aussehen soll. Je klarer der Auftrag, desto brauchbarer die Antwort.

Discernment: kritisch prüfen. Stimmt der Inhalt? Passt das Niveau? Gefährlich wird KI nicht, wenn sie oft danebenliegt, sondern wenn sie fast immer recht hat und wir aufhören zu prüfen.

Diligence: Verantwortung tragen. Du bist verantwortlich für das, was du einsetzt. Das heisst: keine Personendaten von Lernenden in fremde Tools. Und offenlegen, wo KI mitgearbeitet hat.

Ein Beispiel: Übungsfragen zu einem Sachtext

Wie das konkret aussehen kann, zeigt das Beispiel aus dem Video. Die Ausgestaltung der einzelnen Schritte ist mein Vorschlag:

Delegation: Die KI schlägt Übungsfragen vor. Welche davon in die Lektion kommen, entscheidest du.
Description: «Sek II, 2. Jahr, Deutsch als Zweitsprache. Lernziel: Argumente eines Sachtexts erkennen. Ergebnis: fünf Fragen mit Musterlösung, maximal eine Seite.»
Discernment: Du gehst jede Musterlösung durch. Stimmt sie inhaltlich? Passt die Sprache zu dieser Klasse?
Diligence: Im Auftrag stehen keine Namen oder Daten deiner Lernenden, und auf dem Arbeitsblatt steht, dass die Fragen mit KI-Unterstützung entstanden sind.

Ein klarer Auftrag nennt Zielgruppe, Lernziel und erwartetes Ergebnis.

Eine Übung für dich

Mein Vorschlag für die nächste Vorbereitungsstunde: Nimm die letzte Unterlage, die du mit KI erstellt hast, und geh sie mit vier Fragen durch.

Was habe ich übergeben? Hätte etwas davon bei mir bleiben sollen?
Wusste die KI genug? Wer lernt, was ist das Ziel, wie soll das Ergebnis aussehen?
Habe ich geprüft oder nur überflogen? Inhalt und Niveau, Satz für Satz.
Wo liegt meine Verantwortung? Sind Daten von Lernenden ins Tool gelangt? Ist offengelegt, wo KI mitgearbeitet hat?

Das D, bei dem du am längsten zögerst, ist meist das, bei dem sich Üben lohnt.

Vier Fragen vor, während und nach jedem KI-Einsatz. So wird aus einem Werkzeug eine Kompetenz, für dich und für deine Lernenden.